[論文レビュー] Towards a Complete Picture of Covariance Functions on Spheres Cross Time

Philip A. White, Emilio Porcu|arXiv (Cornell University)|Jul 11, 2018

Soil Geostatistics and Mapping参考文献 57被引用数 6

ひとこと要約

本稿は、大円距離を用いてGneitingクラスを拡張することで、時間経過に伴うd次元球面上のスパatiotemporal確率場のための新しい共分散関数のクラスを導入し、ユークリッド空間と球面空間の時空間共分散構造を結びつける特徴化定理を導出する。提案モデルは、シミュレーションデータおよび気候再解析データにおいて、既存の非可分モデルと比較して予測性能が向上する。

ABSTRACT

With the advent of wide-spread global and continental-scale spatiotemporal datasets, increased attention has been given to covariance functions on spheres over time. This paper provides a characterization theorem for covariance functions of random fields defined over $d$-dimensional spheres cross time. The result characterizes the relationship between covariance functions for spheres over time and space-time covariance functions defined over Euclidean spaces. We then show that the Gneiting class of space-time covariance functions \citep{gneiting2002} can be extended to spheres cross time by replacing the squared Euclidean distance with the great circle distance. Additionally, we provide a new class of covariance functions using our characterization theorem, giving an example of a class correspondence between covariance functions over Euclidean spaces with compact support and covariance functions over spheres cross time. We discuss modeling details using nearest-neighbor Gaussian processes in a Bayesian framework for our extension of the Gneiting class. In this context, we illustrate the value of our proposed classes by comparing them to currently established nonseparable covariance classes using out-of-sample predictive criteria. These comparisons are carried out on a simulated dataset and two climate reanalysis datasets from the National Centers for Environmental Prediction and National Center for Atmospheric Research. In our simulation study, we establish that covariance parameters from a generative model from our class can be identified in model fitting and that predictive performance is as good or better than competing covariance models. In our real data examples, we show that our covariance class has better predictive performance than competing models, and we discuss results in the context of the climate processes that we model.

研究の動機と目的

• ユークリッド空間の時空間共分散関数と関連づける理論的枠組みを用いて、時間経過に伴うd次元球面上の確率場の共分散関数を特徴づけること。
• ユークリッド距離の代わりに大円距離を用いることで、Gneitingクラスの時空間共分散関数を球面領域へ拡張すること。
• 特徴化定理を用いて、球面×時間領域におけるコンパクトにサポートされた共分散関数の新規クラスを構築すること。
• 近傍ガウス過程を用いたベイズ枠組みにおいて、提案モデルの予測性能を評価すること。
• 実際の気候再解析データセットおよびシミュレートされたデータ上で、新規共分散クラスの実用的有用性を示すこと。

提案手法

• ユークリッド空間の共分散関数と球面上の共分散関数を結びつける特徴化定理を導出し、既知のクラスの理論的移行を可能にする。
• Gneitingクラスにおける二乗ユークリッド距離を大円距離に置き換えることで、球面上の時間経過に伴う有効な共分散関数を構築する。
• 特徴化定理を適用して、球面時空間確率場のためのコンパクトにサポートされた共分散関数の新規クラスを生成する。
• 大規模データセットにおけるスケーラブルな推論と予測を実現するため、近傍ガウス過程を用いたベイズ枠組みを採用する。
• モデルの性能を比較するために、出鱈目予測基準（例：対数スコア）を用いる。
• シミュレーションデータおよびNCEPとNCARの2つの実世界の気候再解析データセットを用いてモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 ユークリッド距離を大円距離に置き換えることで、Gneitingクラスの時空間共分散関数を球面領域に一般化できるか？
• RQ2 球面×時間領域における共分散関数の有効性を保証する理論的条件は何か？ また、それらはユークリッド空間の対応する関数とどのように関連するか？
• RQ3 提案された特徴化定理を用いて、球面×時間領域におけるコンパクトにサポートされた共分散関数の新規クラスを構築できるか？
• RQ4 提案モデルの予測性能は、実データおよびシミュレーションデータにおいて、既存の非可分モデルと比較してどのように異なるか？
• RQ5 近傍ガウス過程を用いたベイズ枠組みにおいて、提案クラスのモデルパラメータを一貫して推定できるか？

主な発見

• 二乗ユークリッド距離を大円距離に置き換えることで、Gneitingクラスを球面×時間領域に成功裏に拡張でき、有効かつ解釈可能な共分散関数が得られる。
• 提案された特徴化定理により、球面×時間領域におけるコンパクトにサポートされた共分散関数の新規クラスの構築が可能となり、既知のユークリッド空間の結果が拡張される。
• シミュレーション研究において、生成モデルからのモデルパラメータが適合過程で一貫して同定可能であった。これは、モデルの正則性と推定の安定性を確認するものである。
• 出鱈目予測の対数スコア基準による評価において、提案モデルの予測性能は、シミュレーションデータおよび実際の気候データの両方で、競合モデルと同等またはそれ以上であった。
• 実際の気候再解析データにおいて、提案された共分散クラスは、既存の非可分モデルよりも優れた予測精度を示した。その結果は、下位の気候プロセスの観点から解釈可能であった。
• 近傍ガウス過程を用いたベイズ実装により、スケーラブルな推論が実現され、球面上の大規模な時空間データセットへの応用が可能となった。